SAŽETAK: U radu će biti predstavljeni rezultati projekta “It-Sr-NER: Web services for named entities recognition, linking and mapping”, u kom su učestvovali timovi Univerziteta u Torinu i Društva za jezičke resurse i	tehnologije JeRTeh, a čiji cilj je bio razvoj veb servisa It-Sr-NER za obeležavanje imenovanih entiteta u tekstu i njihovo prikazivanje na karti. 
Imenovani entiteti u ovim servisima su imena osoba, mesta, organizacije, demonimi (etnici), događaji i autorska dela. 
KLjUČNE REČI: paralelni korpusi, imenovani entiteti, prepoznavanje imenovanih entiteta, povezivanje imenovanih entiteta, geoparsiranje, srpski, italijanski, veb servisi. 
Nedostatak alata i resursa koji omogućavaju anotaciju, istraživanje i analizu dvojezično poravnatih (paralelizovanih) italijansko-srpskih tekstova je bila osnovna motivacija i inspiracija za pokretanje ovakvog projekta. 
U didaktici stranih jezika u Srbiji beleži se gotovo potpuno odsustvo korpusnih alata u nastavi (Vitaz and Poletanović 2019), dok se na individualnom planu i putem ličnih inicijativa u nastavi srpskog jezika kao stranog u Italiji i italijanskog jezika u Srbiji pokazalo da su korpusi u nastavi mnogostruko značajni i da ih studenti rado prihvataju i primenjuju u zajedničkom radu, ali i samostalnim istraživanjima (Moderc 2015; Perišić 2021). 
Bogata i istančana morfologija srpskog jezika predviđa deklinaciju toponima i ostalih imenovanih entiteta koje strani studenti nisu uvek u stanju da prepoznaju i svedu na njihov osnovni oblik. 
Neki od razloga su jedinstveni nastavci za muški i srednji rod u većini padeža, prisustvo pojedinih toponima u formi množine, tzv. pluralia tantum (Pljevlja, Divčibare itd.), ali i fonetska transkripcija stranih imena kao i neke ortografske nedoslednosti (Vitas and Pavlović-Lažetić 2008). 
U	okviru poziva “Bridging Gaps” evropske infrastrukture za jezičke resurse i tehnologije CLARIN (Common Language Resources  &  Technology Infrastructure), tim stručnjaka Univerziteta u Torinu i Društva za jezičke resurse i tehnologije JeRTeh udružio je snage i razvio veb servise za obeležavanje imenovanih entiteta u tekstu, obezbedio njihovo povezivanje sa vikipodacima, kao i geoparsiranje, tj. geolociranje prepoznatih lokacija i njihovo prikazivanje na mapi. 
Imenovani entiteti u ovim servisima su imena osoba, mesta, organizacije, demonimi (etnici), događaji i autorska dela. 
Osnovni cilj projekta je realizacija i publikovanje veb aplikacija i	servisa za jednojezične i dvojezične paralelne tekstove u okviru infrastrukture CLARIN, kao i na platformi Društva za jezičke resurse i tehnologije JeRTeh. 
Projekat predviđa i kreiranje i publikovanje verzije italijansko-srpskog korpusa od 10.000 segmenata, to jest, ekstrahovanih i uparenih rečenica preuzetih iz klasičnih dela italijanske i srpske književnosti. 
Rezultati projekta ne ograničavaju se na srpsko-italijansku jezičku kombinaciju, već se razvijeni servisi mogu primeniti na obradu tekstova na čak dvadeset i četiri svetska jezika. 
Inicijator projekta i vođa tima je Olja Perišić, profesorka na Univerzitetu u Torinu (Universit`a degli Studi di Torino, Dipartimento di Lingue e Letterature Straniere e Culture Moderne) gde predaje srpski jezik. 
Ispred JeRTeh-a, razvojem servisa je rukovodila prof. Ranka Stanković u saradnji sa prof. Duškom Vitasom. 
Više podataka o projektu je dostupno i na veb strani Društva za jezičke resurse i tehnologije JeRTeh.  
U	glotodidaktici, tj. nastavi stranih jezika, paralelni korpusi pokazali su se kao nezaobilazni instrument u cilju usvajanja morfosintakse i leksike. 
Paralelno promatranje dva ili više jezika olakšava kontrastivnu analizu, odnosno uočavanje sličnosti i razlika jezičkih struktura zahvaljujući velikom broju primera rečenica u kontekstu, što je još u ranoj fazi korpusne lingvistike uočio Džon Sinkler: „Jezik izgleda prilično drugačije ukoliko se posmatra veliki broj primera u isto vreme” (Sinclair 1991, 100). 
U didaktici prevođenja paralelni korpusi omogućavaju diferencijaciju bliskih prevodnih ekvivalenata i definisanje polisemične leksike koja je često zapostavljena ili površno obrađena u bilingvalnim rečnicima (Moderc 2015; Perišić Arsić 2018). 
Istovremeno, u praksi se beleži da je broj reprezentativnih prevodilačkih (paralelnih korpusa) čak i za veće svetske jezike nedovoljan (Granger 2018). 
Iz svih ovih razloga u prvoj fazi projekta bilo je neophodno kreirati italijansko-srpski korpus od isečaka romana sa 10.000 poravnatih segmenata (rečenica) iz deset romana. 
Romani su predstavljeni uzorcima u kojima su segmenti izmešani kako bi se izbegli problemi sa autorskim pravima. 
Romani italijanskih pisaca predstavljeni u korpusu su: Umberto Eko, Ime ruže; Karlo Kolodi, Pinokijeve avanture; Elena Ferante, Priča o onima koji odlaze i onima koji ostaju; Luiđi Pirandelo, Jedan, nijedan i sto hiljada. 
Srpski pisci su zastupljeni sa pet romana: Ivo Andrić, Anikina vremena i Na Drini ćuprija; Borisav Stanković, Nečista krv; Branislav Nušić, Opštinsko dete: roman jednog odojčeta; Danilo Kiš, Bašta, pepeo. 
Imajući u vidu da je osnovni zadatak projekta obeležavanje imenovanih entiteta, u korpus su uključeni i prevodi na italijanski i srpski romana Put oko sveta za osamdeset dana Žila Verna. 
Romani su poravnati i pripremljeni u formatu TMX (Transla-tion Memory eXchange) korišćenjem aplikacije ACIDE, integrisanog okruženja za razvoj paralelnih korpusa (Obradović, Stanković, and Utvić 2008; Krstev and Vitas 2011). 
Slika 1 prikazuje prve dve prevodne jedinice, obeležene etiketama  <tu>  (translation unit), u okviru kojih se nalaze prevodni ekvivalenti obeleženi etiketom  <tuv>  (translation unit variant). 
Upareni, odnosno poravnati segmenti na italijanskom i srpskom su numerisani (n1, n2,...) i svaki ima atribut koji ukazuje na jezik: xml:lang="it" ili xml:lang="sr". 
Proces paralelizacije aplikacijom ACIDE, osim generisanja TMX izlaznog dokumenta generiše i HTML prikaz koji se može videti na slici 2. 
Slika 1. Primer TMX izlaznog dokumenta. 
Slika 2. Primer paralelizovanih segmenata prevodnih ekvivalenata na italijanskom i srpskom jeziku u HTML formatu. 
Korpus je objavljen u ILC4CLARIN B centru, sa jedinstvenim identifikatorom, tako da je vidljiv preko VLO. 
Komprimovani oblik korpusa sadrži više delova: poravnate dvojezične, ali i pojedinačne, jednojezične verzije. 
Automatski obeleženi imenovani entiteti (na način objašnjen u Odeljku 3.) su takođe sastavni deo publikovanog korpusa. 
Korpusu se takođe može pristupiti sa radne github lokacije.  
Osim za ovog korpusa koji se može preuzeti, širi korpus koji sadrži kompletne romane i iz kojeg je izvučena publikovana verzija od 10.000 segmenata dostupan je za pretragu na digitalnoj biblioteci Bibliša. 
Karakteristika biblioteke Bibliša je unapređena pretraga sa mogućnostima morfološkog i semantičkog proširenja upita za srpski jezik. 
Na slici 3 je prikazan panel na kom se može videti primer rezultata semantičkog proširenja upita „brat” koji je automatski proširen sinonimom „bata”, a potom su dodati i morfološki oblici svih upitnih reči. 
Na slici 3 se može videti nekoliko poravnatih segmenata koji su dobijeni kao rezultat postavljenog upita. 
Slika 3. Rezultat pretrage proširivanjem upita u Bibliši. 
Opcija za pregled kolekcija paralelnih dokumenata (slika 4) dostupna je sa ograničenim brojem segmenata za sve korisnike i sa većim brojem segmenata samo za registrovane korisnike. 
Slika 4. Prelistavanje kolekcije paralelnih dokumenata ItSrKor u Bibliši 
Paralelni korpusi su dragoceni za studije prevođenja, a kontrastivna lingvistika i jednostavna upotreba konkordanci znatno olakšavaju proučavanje međujezičkih pojava. 
Studenti italijanskog jezika Univerziteta u Beogradu, gde prof. Saša Moderc predaje, kao i	studenti srpskog jezika u Torinu, gde prof. Olja Perišić predaje, koristiće razvijene resurse u budućoj nastavi, s obzirom na to da su otvoreni i samim tim dostupni i drugim studentima i istraživačima. 
It-Sr-NER servisi, pohranjeni na repozitorijumu CLARIN sa jedinstvenim identifikatorom, ne samo što obrađuju jednojezične tekstove (na 24 jezika), već uspešno obeležavaju i dvojezične tekstove u obliku prevodilačkih memorija u formatu TMX. 
Osim same izgradnje veb servisa, krajnji cilj je bio integracija u evropsku infrastrukturu za jezičke resurse i tehnologije CLARIN, konkretno na platformu Language Resource Switchboard. 
Primarni cilj je bilo obeležavanje imenovanih entiteta za italijanski i srpski jezik, ali je prošireno i na druge jezike za koje su postojali kompatibilni spaČ modeli. 
Za obeležavanje imenovanih entiteta korišćeni su modeli koji su trenirani uz pomoć biblioteke spaČ, preuzeti za svaki jezik sa odgovarajućeg repozitorijuma. 
Za italijanski jezik preuzet je model it_core_news_sm-3.4.0, obučen na automatski kreiranom korpusu za prepoznavanje imenovanih entiteta WikiNER, zasnovanom na tekstu i strukturi Vikipedije (Nothman et al. 2013), dok je za srpski jezik implementiran model koji je treniran  na korpusu starih srpskih romana SrpCNNER (Šandrih Todorović et al. 2021), preuzet sa platforme European Language Grid (ELG).  
Pored prepoznavanja imenovanih entiteta, cilj aplikacije je bio i njihovo povezivanje sa stavkama u otvorenoj bazi znanja Vikipodaci. 
Univerzitetska biblioteka u Manhajmu (Univer-sitätsbibliothek Mannheim, skr. UB Mannheim) je razvila spaČ-OpenTapioca korišćenjem OpenTapioca čiji je jedan od zadataka prepoznavanje imenovanih entiteta, kao i njihovo povezivanje sa konceptima u vikipodacima (Delpeuch 2019). 
Izvorni kod servisa i aplikacije je dostupan na repozitorijumu github. 
Korišćenje paketa spačOpenTapioca omogućava servisima It-Sr-NER ne samo da prepoznaju  i	obeležavaju imenovane entitete već i da ih povezuju sa stavkama u vikipodacima. 
Konačan rezultat je veb servis koji omogućava geoparsiranje, tj. prikazivanje prepoznatih imenovanih entiteta koji postoje u vikipodacima na karti. 
Razvijeno je 8 veb servisa, po 4 za jednojezične i dvojezične resurse, koji omogućavaju: 
1.	NER – prepoznavanje imenovanih entiteta prema klasama iz tabele 1 obučenim jezičkim modelima biblioteke spaČ; 
2.	NER+NEL – povezivanje prepoznatih i obeleženih entiteta sa vikipodacima, što omogućuva korišćenje funkcije servisa spač-OpenTapioca (samo )za prepoznati imenovani entitet, odnosno za tekst unutar etikete); 
3.	NEL – prepoznavanje i povezivanje imenovanih entiteta sa vikipodacima oslanjajući se na sistem spačOpenTapioca, pri čemu se prepoznati imenovani entitet obeležava etiketom  <WDT> , a klasa imenovanog entiteta atributom label; 
4.	Geoparsiranje – za prepoznate imenovane entitete klase LOC koji postoje u vikipodacima, pronalaženje geografske širine i dužine (geolociranje) korišćenjem biblioteke geopy,19 za čim sledi njihovo prikazivanje na karti korišćenjem biblioteke folium. 
Tabela 1. Klase entiteta. 
Modeli za pojedine jezike koriste često različite etikete za obeležavanje klasa imenovanih entiteta. 
Tako, na primer, za klasu prostornih lokacija se obično koristi LOC, ali se može naći i GPE za geopolitičke entitete (engleski model), potom LC (koreanski model), kao i placeName i geogName (poljski model). 
Zbog harmonizacije etiketa klasa imenovanih entiteta između modela za različite jezike, sve korišćene oznake klasa koje označavaju lokacije i geopolitičke entitete (GPE, LC, placeName, geogName) preimenovane su u jedinstevnu oznaku LOC. 
Mapiranje je urađeno sistematki za sve klase i može se videti u konfiguracionoj datoteci.  
Takođe, etiketa PERS entiteta klase kojoj pripadaju osobe, je postavljena kao osnovna oznaka u koju su se mapirale odgovarajuće oznake iz drugih modela: PER (italijanski), PRS (švedski), PERSON (makedonski), persNAME (poljski). 
Etiketa NORP (eng. nationalities or religious or political groups) nacionalnosti, političke i verske grupe iz japanskog i finskog modela, potom NAT_REL_POL iz rumunskog mapirani su u etiketu klase DEMO kojima su obeleženi demonimi, odnosi etnici (Stanković et al. 2021). 
Pošto neki jezički modeli imaju mnogo bogatiji skup klasa imenovanih entiteta, na primer, engleski ima 18 klasa a rumunski 16, u konfiguracionoj datoteci je definisana kolona sa spiskom etiketa koje se ignorišu. 
Pored pomenutih klasa sa kojima se povezuju imenovani entiteti, veb servisi NER+NEL i NEL pružaju informacije o tipu entiteta (atribut label), opisu (atribut desc) i vezi ka bazi znanja Vikipodaci (atribut ref ). 
Već je pomenuto da ulaz može biti jednojezični ili dvojezični tekst. 
U slučaju obrade dvojezičnih resursa ulazna datoteka mora biti validan TMX dokument. 
Na slici 5 prikazan je izlaz servisa NER+NEL za dvojezične resurse, dok je na slici 6 prikazan izlaz NEL servisa, takođe za dvojezične resurse, koji prepoznate imenovane entitete povezuje sa stavkama u vikipodacima korišćenjem biblioteke spačOpenTapioca za oba jezika. 
Svi rezultati projekta: programski kod, veb servisi, veb aplikacija, kao i paralelni korpusi, objavljeni su sa otvorenim licencama, i kao takvi se mogu slobodno koristiti u istraživačke i komercijalne svrhe. 
Slika 5. Prikaz izlaza NER+NEL za dvojezične resurse u TMX formatu. 
Slika 6. Prikaz izlaza NEL za dvojezične resurse u TMX formatu. 
Opisani veb servisi su dostupni preko veb aplikacije na adresi Društva za jezičke resurse i tehnologije, kao i upotrebom modula requests u okviru Python programa na sledeći način: 
1	import	requests			 2	# c h o o s e  l a n g u a g e − lang ,  and	f e a t	 3	lang  =	"it"   #@param	[ ’ ca ’ , ’ zh ’ , ’ hr ’ , ’ da ’ , ’ n l ’ , ’ en ’ , ’ f i ’ , ’ 	f r	’ , ’ de ’ , ’ e l ’ , ’ i t	’ , ’ j a ’ , ’ ko ’ , ’ l t	’ , ’mk ’ , ’ nb ’ , ’ p l ’ , ’ pt 	’ , ’ r o ’ , ’ ru ’ , ’ e s ’ , ’ sv ’ , ’ uk ’ , ’ s r ’ ]	 4	feat  =	"nel" #@param	[ ’ n e r ’ ,	’ n e l ’ ,	’ n e r n e l ’ , ’ geo ’ ] 5	# u s e  a p i  6	API_KEY  =  [ " file " ,  " data " ,  "lng " ,  " feat "] 7	url  =	’https :// ners . jerteh . rs/api ’ 8	params	=  dict ( key = API_KEY ,  data = data ,  lng = lang ,  feat = feat )  9	res  =  requests . get ( url ,  params = params ) 
Slika 7 prikazuje integrisane veb servise na platformi Language Resource Switchboard. 
Ulazni podaci se mogu proslediti u vidu XML datoteke u slučaju dvojezičnih resursa, dok se za jednojezične može proslediti tekstualna datoteka, a tekst se može i direktno uneti u predviđeno polje formulara veb aplikacije. 
Slika 7. Prikaz integrisanog veb servisa na infrastrukturi CLARIN-a. 
Razvijeni servisi omogućavaju dva različita formata prikaza rezultata obrade, NTML i XML dokument kao što je ilustrovano na sledećem primeru. 
Na slici 8 predstavljen je prikaz obrade teksta unetog direktno u polje za unos. Na levoj strani slike unet je tekst na srpskom jeziku, a na desnoj strani na italijanskom. 
Slika 8. Prikaz obrade direktno unetog teksta 
Za oba jezika prikazan je izbor servisa NER (broj 1 za srpski i broj 5 za italijanski), a kao rezultat rada, predstavljeni su HTML i XML dokumenti (broj 2 za srpski i broj 6 za italijanski). 
Koristeći servis NEL (broj 3) za srpski jezik, predstavljen je izlaz u obliku HTML i XML dokumenata (broj 4), gde se može uočiti da ovaj servis u	HTML prikazu pruža i opis entiteta preuzet iz vikipodataka pozicioniranjem na obeleženi entitet na generisanoj HTML strani. 
Servis NER+NEL (broj 7) za italijanski jezik, prikazuje rezultate pod brojem 8, pri čemu se vidi da i ovaj servis pruža dodatne informacije o entitetu koristeći opis odgovarajuće stavke u vikipodacima. 
Može se uočiti da se XML dokumenti ova dva servisa (broj 4 i broj 8) razlikuju po etiketama prepoznatih imenovanih entiteta, tj. servis NEL obeležava etiketom  <WDT> , dok NER+NEL obeležava etiketama opisanim u tabeli 1. 
Takođe, atributi etiketa ova dva servisa se razlikuju, pa servis NEL ima jedan atribut više od servisa NER+NEL, a to je atribut label, u kom se daje opis imenovanog entiteta, koji je uvek na engleskom, bez obzira na jezik teksta. 
Opisi na engleskom jeziku su najbrojniji, odnosno vikipodaci su najbogatiji za engleski jezik, tako da je on u ovoj verziji implementiran. 
U narednim verzijama servisa pristup će biti verovatno promenjen tako da jezik opisa odgovara jeziku samog teksta. 
HTML prikaz oba servisa je isti. 
Na slici 9 prikazan je primer rezultata obrade pomoću servisa NER+NEL na CLARIN platformi Language Resource Switchboard dvojezičnog teksta, otpremljenog u vidu TMX dokumenta. 
Mogućnost prikaza opisa je ilustrovana stavkom (odrednicom) Amerika (Q30 ), pri čemu se može uočiti da je prepoznati imenovani entitet Amerika povezan po tome što je podvučen. 
Slika 9. Prikaz obrade dvojezičnog teksta korišćenjem servisa NER+NEL. 
Kao i u slučaju veb servisa, geoparsiranje je dostupno i za dvojezične i	za jednojezične resurse, pri čemu se na karti prikazuju samo imenovani entiteti klase LOC koje prepoznaje NER+NEL. 
Na slici 10 je prikazano geoparsiranje za jednojezične resurse za oba jezika, srpski jezik (levo) i italijanski jezik (desno). 
Za različite jezike (u ovom slučaju: italijanski i srpski) mogu nastupiti razlike u prepoznavanju imenovanih entiteta, kao i razlike u geoparsiranju, iz više razloga: 
1.	Za dati jezik ne postoji u bazi znanja stavka (odrednica) za obeleženi entitet; 
2.	Imenovani entitet u srpskom nije prepoznat zato što sistem za povezivanje sa vikipodacima zasnovan na biblioteci spaČOpenTa-pioca ne prepoznaje flektivne oblike za srpski jezik (poput padeža različitih od nominativa jednine: Srbije, Beogradu, itd.); 
3.	Prevodni ekvivalenti (srpski i italijanski) nisu doslovni, tako da se imenovani entitet ne pojavljuje u jednom od ekvivalenata (videti segmente broj 6 na slici 9: ime reke Drina se pojavljuje u italijanskom tekstu, ali ne i u srpskom). 
Slika 10. Geoparsiranje za srpski jezik (levo) i italijanski jezik (desno). 
U	radu smo prikazali rezultate projekta It-Sr-NER: CLARIN compatible NER and geoparsing web services for Italian and Serbian parallel text, podržanog od strane evropske infrastrukture za jezičke resurse i tehnologije CLARIN. 
Polazna motivacija za pokretanje zajedničkog projekta stručnjaka sa Univerziteta u Torinu i JeRTeh-a, Društva za jezičke resurse i tehnologije, bilo je unapređenje didaktike srpskog i italijanskog jezika putem kreiranja i publikovanja veb servisa za obeležavanje imenovanih entiteta i njihovo prikazivanje na mapi. 
Nedostatak pojedinih jezičkih tehnologija za srpski jezik godinama predstavlja kočnicu i prepreku u primeni rezultata dostignutih za jezike sa većim brojem govornika jer su pojedinačne inicijative kojima se delimično implementiraju korpusi u nastavi nedovoljne i ne predstavljaju dovoljan stimulans za istraživače i nastavnike iz oblasti srpskog jezika kao stranog. 
Primarni rezultat projekta je publikovanje skupa veb servisa za jednojezične i dvojezične paralelne tekstove na CLARIN platformi Language Resource Switchboard. 
U isto vreme projekat je omogućio realizaciju sekundarnih ciljeva, koji se po svojoj važnosti izjednačavaju sa primarnim ciljem, kao što su kreiranje i publikovanje paralelnog italijansko-srpskog korpusa i izgradnja veb aplikacije i servisa na platformi Društva za jezičke resurse i tehnologije JeRTeh. 
Razvijeno je ukupno osam servisa, po četiri za jednojezične i dvojezične resurse. 
Tekst se uz to može obrađivati direktnim unosom u predviđeno polje na nivou rečenica ili se može obraditi datoteka uneta od strane korisnika. 
U isto vreme obezbeđeno je povezivanje imenovanih entiteta sa vikipodacima i geoparsiranje. 
Iako su u fokusu projekta bili srpski i italijanski resursi, razvijeni servisi mogu da obrade tekstove na 24 jezika. 
Dalji pravci istraživačkog rada odvijaće se u smeru organizovanja dodatnih obuka u cilju popularizacije veb servisa, kao i njihovo uključivanje u nastavu. 
Kao jedan od najvažnijih ciljeva je proširivanje korpusa, kao i unapređenje modela za obeležavanje imenovanih entiteta i povezivanje sa bazama znanja. 
Autori se zahvaljuju prof. dr Cvetani Krstev, prof. dr Dušku Vitasu, prof. dr Saši Modercu i Nikoli Jankoviću, studentu doktorskih studija, na pomoći u pripremi paralelnog korpusa, kao i evropskoj infrastrukturi za jezičke resurse i tehnologije CLARIN, na podržanom projektu u okviru poziva “Bridging Gaps” – “It–Sr–NER: Web services for named entities recognition, linking and mapping”. 
